区域异质性下的CCS部署政策选择：中国宏观经济影响与溢出效应

《Energy Policy》：CCS deployment policy choices under regional heterogeneity: Economy-wide impacts and spillovers in China

　　

摘要

碳捕集与封存（CCS）对于化石能源电力部门的脱碳至关重要，而该部门是全球温室气体排放的最大来源。然而，如何分配不同区域的部署责任以实现全经济体层面的经济与环境效益，目前仍缺乏深入理解。本研究构建了一个集成的优化—多区域投入产出—可计算一般均衡（OP-MRIO-CGE）框架，用于评估不同区域CCS部署政策下的经济结果和减排效应，重点关注跨区域溢出效应及其对政策实施的启示。以中国为例，研究结果显示，结果对区域责任分配高度敏感。情景6将部署方案制定为多目标问题，旨在最大化脱碳后的化石能源发电量和最小化总CCS部署成本。两个目标通过帕累托支配关系分别评估，不进行归一化处理或设定目标权重，从而产生非支配型分配方案而非唯一最优解。随机选取其中一个分配方案作为基准解，随后评估其下游MRIO-CGE结果，敏感性分析则覆盖整个保留的帕累托集。该基准方案使2030年全经济体层面的CO?排放量减少约3.79亿吨，使全国GDP增长约1.4万亿美元，并使消费者福利提升约6.1亿美元。CCS集中在渤海沿岸和准噶尔盆地部署会导致非承载区域（包括四川、湖北和安徽）的排放量增加，而陕西、广东和江苏则出现经济产出损失。这些发现为协调多区域CCS部署和有针对性的配套政策提供了量化依据，并提出了适用于其他大型空间异质经济体深度脱碳进程的分析框架。

1. 引言

电力部门是人为温室气体排放的最大来源，在全球气候缓解工作中仍处于核心地位。尽管风能和太阳能发电增长迅速，但化石能源发电仍提供基荷发电、运行灵活性和频率调节功能，使许多电力系统难以仅通过可再生能源扩张实现深度脱碳（Peng等，2023；Thirunavukkarasu等，2023；Lim等，2025；An等，2025）。因此，碳捕集与封存（CCS）已成为在保持系统可靠性前提下减少化石能源发电排放的重要途径。然而，大规模CCS部署在空间上分布不均，因为有利的地质封存条件、工业集群以及CO?输运和封存基础设施仅集中在部分区域（全球CCS研究所，2024；Kazlou等，2024；Xu等，2025）。这使得区域异质性CCS部署方案的设计成为一项关键的政策挑战。

核心政策挑战在于如何在异质性区域之间分配部署责任。各区域在发电结构、经济发展水平、电力需求、部署成本以及CO?封存地质适宜性方面存在差异。基于区域GDP、电力产量、排放量或部署效率的分配规则将产生不同的区域负担和政策结果。因此，相关的政策问题不仅是CCS是否应该部署，更在于如何分配CCS责任，以在效率、公平性和政策可接受性之间取得平衡。

除部署区域直接承担的成本外，CCS部署还可能带来显著的跨区域溢出效应。由于区域经济体通过生产网络和贸易联系相互连接，一个区域化石能源发电的变化可能导致另一区域进行补偿性调整，如发电生产调整、工业生产调整和区域间贸易调整。也就是说，被赋予CCS部署任务的区域，未必是最终承受最高经济成本、减排成效或经济收益的区域。一些区域可能从生产增长和贸易调整中获益，而其他区域则可能承受GDP损失，甚至因间接调整过程导致碳排放增加。因此，责任划分与政策影响可能在空间上是分离的，这也将引发经济收益、调整成本和减排成效在不同区域间如何分配的更多关注。理解这些间接效应对于确定最终赢家与输家以及区域溢出效应如何影响经济与环境结果的分配至关重要。

在此背景下，本研究聚焦于三个相互关联的科学问题，这些问题是CCS部署政策设计与评估的核心：（1）CCS的部署如何影响目标区域化石能源电力部门的产出和排放绩效？（2）异质性CCS部署如何重塑国家层面的宏观经济结果？（3）异质性部署在多大程度上产生了跨区域和跨部门溢出效应，这些效应是缓解还是加剧了碳减排责任分配的公平性问题？为回答这些问题，我们构建了一个综合分析框架，该框架既捕捉CCS部署对部门产出和排放的直接冲击，又评估更广泛的宏观经济后果，并识别由跨区域溢出效应可能产生的瓶颈。

本文在能源经济学文献方面的贡献在于考察了电力部门一组CCS部署政策的环境、经济和福利含义。我们开发了一个动态优化—多区域投入产出—可计算一般均衡（OP-MRIO-CGE）框架，用于分析区域电力系统中CCS部署与更广泛宏观经济结构之间的相互作用。该框架还允许评估在给定CCS部署情景下由跨区域生产和贸易联系产生的跨区域溢出效应。利用该框架，我们模拟了中国部分化石能源电力部门的六个CCS部署政策情景，为系统评估区域CCS部署政策的经济和排放相关含义提供了量化工具。所提出的框架支持对中国以及其他具有显著空间异质性特征的经济体中区域差异化CCS部署战略的政策分析。

本文其余部分结构如下。第2节回顾了CCS部署政策的相关文献，并指出了区域异质性和跨区域溢出效应方面的研究空白。第3节介绍了OP-MRIO-CGE框架，包括模型结构、数据来源和政策情景设计。第4节报告并讨论了模拟结果，特别关注了不同CCS部署规则的经济和排放结果以及相关的跨区域溢出效应。第5节总结主要发现，并讨论其对区域差异化CCS部署政策设计的启示。

2. 文献综述

以往研究已证实，化石能源发电仍是全球CO?排放的主要来源之一，并为现代电力系统提供重要的可靠性服务（Su等，2023）。人们普遍认为，电力部门的深度脱碳对于缓解气候变化至关重要。尽管CCS是减少化石能源发电排放的直接路径，但其高昂的部署成本限制了大规模CCS的推广（Chen等，2025）。过去二十年间，大多数经济体主要依赖基于可再生能源扩张的替代方案（Asghari等，2025）。然而，风能和太阳能发电的快速增长也增加了对常规发电机组的系统平衡需求和灵活性负担（Jaane等，2024；Li等，2024）。近期欧洲和美国的多次大面积停电事件也凸显了可调度化石能源发电在高比例可再生能源条件下确保系统韧性的重要角色（Carreras等，2021；Stürmer等，2024）。与此一致，Xiao等（2022）发现，中国在化石能源发电系统中没有大规模部署CCS的情况下，仅靠可再生能源扩张将难以实现其碳达峰目标。

在此背景下，越来越多的文献研究了CCS在电力部门部署的技术经济分析。现有技术经济研究探讨了CCS改造对发电成本、发电绩效和可再生能源应用的影响。例如，Tan等（2024）运用实物期权理论解释了CCS改造如何改变燃煤电厂的边际成本结构，Li等（2025b）评估了配备可变可再生能源发电的灵活碳捕集电厂的环境与经济绩效。总体而言，现有技术经济研究显著增强了对CCS在化石能源发电系统中部署可行性、运行绩效和成本的理解。然而，大部分相关文献关注的是电厂层面的投资决策、企业层面的响应或整体行业结果，对于如何在给定共同减排目标下分配CCS部署负担于异质性区域电力部门提供了有限的指导。为弥补这一空白，本研究考察了不同部署规则对各区域化石能源电力产出、部署成本及相关直接减排量的影响。

事实上，区域差异为大规模CCS部署的经济性增添了另一层复杂性。燃料价格、劳动力成本、发电效率甚至不同区域的经济发展水平都可能导致区域部署成本、电力需求结构和减排潜力的显著差异。因此，相同比例的CCS部署在两个区域可能产生截然不同的结果，包括减排量、电价上涨幅度和竞争力影响。近期证据凸显了这种异质性。Li等（2025）表明，中国燃煤电厂的改造成本负担因当地资源禀赋不同而存在显著差异（Li等，2025d），而Yan等（2025）强调，美国化石能源发电中心与CO?封存盆地之间的空间错配加剧了区域间在可行性和成本方面的不平等（Yan等，2025）。尽管已有这些重要发现，现有研究更多关注CCS部署可行性和竞争力的区域异质性，而对不同CCS责任分配原则如何将这种异质性转化为不同部署负担和政策影响的研究相对不足。因此，区域异质性对CCS政策的影响尚未得到充分认识。为部分克服这一问题，本研究比较了不同的区域CCS责任分配规则，并评估了区域异质性对CCS部署、经济表现和减排的影响。

除技术经济评估和区域部署约束外，MRIO、CGE以及混合MRIO-CGE模型在气候政策、碳定价选项、可再生能源转型和隐含碳排放转移研究中得到了越来越广泛的应用。这些模拟模型有助于追踪政策冲击如何通过区域间贸易网络、区域间生产联系和一般均衡调整传导。现有研究在政策对全经济体的影响以及环境负担从一个区域向另一个区域转移方面产生了重要知识（Xiao等，2022；Wang等，2022，2025）。然而，大多数现有政策模拟研究仅考虑单一政策工具，或研究政策与无政策情景之间的对比。因此，关于在共同减排目标下不同CCS部署分配规则对于区域间碳排放转移、经济增长和福利的影响的相关研究相对较少。为解决这一问题，本研究开发了一个集成的OP-MRIO-CGE模型，以量化CCS部署的直接冲击以及由不同部署规则引发的更广泛区域溢出效应。

综合来看，现有工作在理解CCS部署的可行性、其可能的区域部署限制以及全经济体的政策影响方面已取得显著进展。然而，关于不同CCS责任分配规则如何影响异质性区域CCS部署的经济和环境后果，现有证据仍然不足。因此，基于不同区域CCS部署规则的CCS部署在效率、环境有效性和权衡问题方面的系统证据仍然缺乏。代表性工作及研究范围概述见表1。

表1. CCS部署研究及其研究范围比较

| 研究 | CCS技术经济评估 | 区域异质性与空间约束 | 全经济体政策评估（MRIO/CGE） | 跨区域溢出分析 | 多种CCS责任分配规则比较 |
|------|:---:|:---:|:---:|:---:|:---:|
| Tan等（2024） | ? | | | | |
| Li等（2025b） | ? | | | | |
| Li等（2025d） | | ? | ? | | |
| Yan等（2025） | | ? | ? | | |
| Xiao等（2022） | | | ? | ? | |
| Wang等（2022） | | | ? | ? | |
| Wang等（2025） | | | ? | ? | ? |
| Zhang等（2025） | | ? | | | |
| 本研究 | ? | ? | ? | ? | ? |

如表1所示，现有论文通常分别关注CCS技术经济评估、CCS区域部署约束分析或CCS全经济体政策评估。然而，本研究比较了不同的区域CCS责任分配规则，并追溯了其相应的CCS碳排放和经济收益的区域间转移。我们将电力部门优化模型与MRIO-CGE模型相结合，以将部门层面的部署分析与经济层面的调整及其区域溢出效应相联系，从而将CCS政策评估扩展到对不同部署政策的比较分析。

3. 方法论

3.1.

模型区域电力部门CCS部署策略及脱碳结果
在为电力部门设计碳捕集与封存（CCS）部署政策时，政策制定者通常会设定涵盖多个区域化石能源电力部门的整体减排目标，同时将具体实施负担留待区域层面解决。然而，关键挑战在于如何将这些总体目标转化为既可行又符合政策要求的区域特定CCS部署需求。鉴于各区域在经济条件和技

所有建模中设置的变量列于附表S2。为明确MRIO-CGE模块的排放核算边界，全经济体的CO2排放按区域-行业层面计算，即每个区域-行业单位的产值乘以其对应的CO2排放系数，再跨区域和行业加总。由产出中介的间接排放变化计算为基准情景与模拟情景排放之间的差值，而来自OP模块的直接减排则单独核算。由于区域-行业排放系数在各模拟情景中保持不变，模型无法识别出独立的物理能效效应；因此，在核算中与之相关的排放强度贡献为零。在上述核算框架内，燃料结构调整通过燃料供应部门的产出进行核算，如煤炭和其他燃料；单独的燃料使用量则超出模型边界。

3.3. 模拟情景设置与数据来源

3.3.1. 情景设置

第3.1节（建模区域电力部门的CCS部署策略及脱碳成效）和3.2节（用于CCS部署区域经济与碳溢出分析的MRIO-CGE模块）阐明了上述OP-MRIO-CGE分析的两个主要部分。具体而言，OP模块表征区域CCS部署的响应及其产出、价格和排放效应。情景6给出了所有区域的帕累托最优配置集，但并非唯一的最优政策。行业层面的结果构成后续MRIO-CGE分析所需的政策冲击。MRIO-CGE部分则成为全面分析这些政策的宏观经济影响以及区域间碳排放转移和经济增长及其不平等的工具。

一个尚未解决的问题是，化石能源电力部门在不同地区的CCS部署政策应如何划定。对于本研究，针对引言中提出的三个研究问题——CCS部署对化石能源电力生产和排放的行业效应、CCS部署的全经济体效应，以及非均质部署的区域溢出效应——需要回答关于评估不同区域配置原则如何影响CCS部署责任分配的问题。不同的配置规则赋予区域异质性的不同维度以不同的重要性，从而获得不同的区域CCS部署水平。各种政策的比较提供了一种审视CCS部署如何影响电力行业绩效、国民经济和区域分配影响的方法。

在现实中，CCS部署责任基于既有的、可观察的行政分配规则进行划分，如区域产值、发电量、区域GDP或历史CO2排放。这些分配规则蕴含不同的政策理念并导致不同的经济效应和分配影响。这些分配规则是不同的政策选项，各选项的描述以及在各选项下区域CCS部署率的计算汇总于表2。

表2. CCS部署情景设置与描述。

| 情景 | 各情景描述 | 数学公式 |
|------|-----------|---------|
| 基准 | 未部署CCS技术。 | — |
| 1 | 通过CCS部署实现的直接碳减排按政策实施前各区域化石能源电力部门产值占比的比例分配给化石能源电力部门。 | $\frac{DE_{i,t}}{\sum_{i \in I} DE_{i,t}} = \frac{q_{cor_{i,t}} \cdot p_{cor_{i,t}}}{\sum_{i \in I}(q_{cor_{i,t}} \cdot p_{cor_{i,t}})}$，约束条件：$\sum_{i \in I} DE_{i,t} \geq TC_t$ |
| 2 | 通过CCS部署实现的直接碳减排按政策实施前各区域化石能源电力部门发电量占比的比例分配给化石能源电力部门。 | $\frac{DE_{i,t}}{\sum_{i \in I} DE_{i,t}} = \frac{q_{cor_{i,t}}}{\sum_{i \in I} q_{cor_{i,t}}}$，约束条件：$\sum_{i \in I} DE_{i,t} \geq TC_t$ |
| 3 | 通过CCS部署实现的直接碳减排按政策实施前各区域化石能源电力部门碳排放占比的比例分配给化石能源电力部门。 | $\frac{DE_{i,t}}{\sum_{i \in I} DE_{i,t}} = \frac{q_{cor_{i,t}} \cdot re_{i,t}}{\sum_{i \in I}(q_{cor_{i,t}} \cdot re_{i,t}})$，约束条件：$\sum_{i \in I} DE_{i,t} \geq TC_t$ |
| 4 | 通过CCS部署实现的直接碳减排按政策实施前各区域GDP占比的比例分配给化石能源电力部门。 | $\frac{DE_{i,t}}{\sum_{i \in I} DE_{i,t}} = \frac{GDP_{ori_{i,t}}}{\sum_{i \in I} GDP_{ori_{i,t}}}$，约束条件：$\sum_{i \in I} DE_{i,t} \geq TC_t$ |
| 5 | 通过CCS部署实现的直接碳减排按政策实施前各区域碳排放总量占比的比例分配给化石能源电力部门。 | $\frac{DE_{i,t}}{\sum_{i \in I} DE_{i,t}} = \frac{CRE_{ori_{i,t}}}{\sum_{i \in I} CRE_{ori_{i,t}}}$，约束条件：$\sum_{i \in I} DE_{i,t} \geq TC_t$ |
| 6 | 本节中的该情景旨在通过以下两个目标确定区域CCS部署的帕累托最优配置集：最大化脱碳化石能源发电量，最小化化石能源电力部门层面的CCS总部署成本。 | $\max(\sum_{i \in I} q_{c^*_{i,t}} \cdot xd_{i,t})$，$\min(\sum_{i \in I} q_{c^*_{i,t}} \cdot xd_{i,t} \cdot cc_{i,t} \cdot re_{i,t})$，约束条件：$\sum_{i \in I} DE_{i,t} \geq TC_t$，$br_i > 0$，$ps_{i,t} > 0$，$ca_{i,t} > 0$，$cc_{i,t} > 0$，$qz_{i,t} > 0$，$re_{i,t} > 0$，$xd_{i,t} \in [0, 1]$ |

在表2中，$TC_t$代表$t$时期各区域化石能源电力部门的直接碳减排目标；$q_{cor_{i,t}}$和$p_{cor_{i,t}}$分别代表政策实施前$t$时期$i$区域的化石能源电力产出量和价格；$GDP_{ori_{i,t}}$和$CRE_{ori_{i,t}}$分别代表政策实施前$t$年$i$区域的国内生产总值和总碳排放量。

这六个政策情景反映了相同的2030年化石能源电力部门直接减排目标（0.32 Gt CO2）的不同分配原则，无CCS基准情景仅作为参考情景来计算政策引发的变化。情景1和2是基于活动的规则，分别根据区域化石能源电力部门的产值和发电量分配责任。情景3遵循行业排放责任规则，情景4采用基于区域GDP的支付能力规则，情景5将责任规则扩展到区域总排放量。与这些行政规则相比，情景6使用多目标粒子群优化算法（MOPSO）内生化地计算区域CCS应用率。运行MOPSO过程所使用的源代码见补充代码。

情景6分别在各自原始单位下考虑两个目标，不通过加权求和进行标量化处理。因此，不给定目标权重，也不进行跨目标归一化。可行配置通过帕累托支配进行比较：如果一个配置在不低于CCS部署成本的前提下提供至少与另一个配置等量的脱碳化石能源电力，并且在至少一个目标上严格改进，则该配置支配另一个配置。如果一个配置不被其他可行配置支配，则该配置被保留为非支配解。MOPSO过程因此产生一组帕累托最优配置，而非单一最优解。两个目标之间的权衡由帕累托前沿表示：获得更多脱碳电力通常意味着更高的CCS部署成本，而限制CCS部署成本则需要提供较少的脱碳电力。由于没有外部确立的政策偏好明确表明两个目标的相对重要性，赋予目标权重或额外的折衷准则将引入不受支持的政策偏好。因此，我们随机选择帕累托集中的一位成员作为参考非支配解，并对其进行更详细的关注。这一选择是在考察下游MRIO-CGE结果之前做出的，且与GDP、EV、全经济体CO2减排或其他事后绩效指标无关。参考解仅用于说明区域部署模式及其传递过程；不作为首选、代表性或唯一解使用。

此外，为确定所报告的全经济体结果是否也依赖于该参考选择，所有保留的非支配解均通过MRIO-CGE模块分别评估。评估所得的GDP、EV和全经济体CO2减排分布报告于附图S5。除非另有说明，第4.1节（化石能源电力部门CCS部署成本与脱碳绩效）和4.2节（宏观经济影响评估）中为情景6呈现的数值结果基于随机选择的参考解，而关于情景6内部变异的结论则基于完整的帕累托集。因此，情景6应被视为一个帕累托最优且信息密集的基准集，而非单一最优政策规则。评估这六个情景相对优劣的集成分析工作流程如图2所示。

图2. 评估政策情景的分步计算流程。

3.3.2. 数据来源

以中国为例，我们将每个省视为一个独立的区域，模拟2027—2030年的六个政策情景。除非另有说明，所有报告的GDP、EV、发电量和CO2结果均为相对于2030年无CCS基准均衡状态的相对值，而非2027—2030年的累计变化。遵循已有的源-汇匹配和中国燃煤电厂CCS改造方案的工程评估，中国的早期中等规模CCS部署假设位于准噶尔盆地、渤海湾及其他两个区域周边的电厂，因为这些地区具有良好的储存地质条件和相对均匀分布的化石能源电厂（Wei et al., 2020），因此从CCS部署的技术角度看有六个可行区域，即山东、河北、北京、天津、辽宁和新疆。以如上确定的政策情景为例，数据收集方式如下：

在MRIO-CGE模块中，多区域社会核算矩阵（SAM）和行业碳排放系数使用2017年中国多区域投入产出表和31个省份的排放清单（2021）进行更新，这些数据来源于由格罗宁根大学编制的碳排放账户与数据集（CEADs）（Carbon Emission Accounts and Datasets, 2020; Carbon Emission Accounts and Datasets, 2021）。假设的GDP增长率使用Zhang et al. (2023)报告的估计值进行更新，劳动力供给的预测变化使用Láng-Ritter et al. (2025)的估计值进行更新。公式(10)中的参数和替代弹性均继承自Lou (2015)的实证设定，弹性值列于附表S3，补充章节S1。我们用于模拟2027—2030年情景（政策情景）的MRIO-CGE系统，通过在2017—2022年校准的静态MRIO-CGE系统基础上，采用公式(8)的动态更新方法来进一步扩展，以预测不同CCS部署政策下的经济结构、能源需求和区域间关联。OP模块的参数值取自《中国电力年鉴》（2022），2027—2030年区域化石能源电力需求通过模拟MRIO-CGE模块中的基准情景获得。最后，OP模块中设定的碳减排目标来自我们此前的研究（Xiao et al., 2022）。

CCS成本参数为全链条部署成本，包括CO2捕集和压缩、运输和地质储存。遵循IPCC二氧化碳捕集与储存特别报告和Wei et al. (2020)，我们根据部署区域的储存特征分别考虑区域成本。渤海沿岸地区的成本系数约为47美元/tCO2，新疆地区的成本系数为56美元/tCO2，与假设渤海沿岸地区采用海上或陆上储存以及源汇之间250 km的运输距离一致（Wei et al., 2020）。由于政策期限较短且研究重点在于比较分配规则而非模拟CCS系统的演进，我们将CCS成本设为随时间不变。技术学习、规模经济、运输网络的技术演进以及CCS储存能力超出了本研究范围。

4. 结果与讨论

4.1. 化石能源电力部门CCS部署成本与脱碳绩效

4.1.1. 区域CCS部署率与成本结果

从政策角度看，各情景可视为不同的CCS分配规则，其中区域特定的减排责任在不同区域间的分配方式有所变化。通过将政策情景参数输入OP模块，我们表征了区域特定的部署响应、相关成本和脱碳电力产出。图3展示了不同政策下区域特定的部署策略；图4展示了不同政策情景下化石能源电力部门区域特定的实施成本和产出变化。为清晰起见，情景6表示MOPSO过程产生的完整帕累托集。但除非另有说明，第4.1节（化石能源电力部门CCS部署成本与脱碳绩效）和第4.2节（宏观经济影响评估）中呈现的情景6详细结果基于随机选择的参考非支配解。这些结果说明了与该解相关的分配模式和全经济体传递机制，并不假定能表征帕累托集中的每一个成员。完整保留帕累托集中非支配解选择敏感性的分析在第4.3.2节和附图S5中进行。

图3. 化石能源电力部门的区域CCS部署强度。

图4.

化石能源电力部门各地区CCS部署成本与产出的变化。注：(1) 图4(a)报告了各地区电力部门的CCS相关成本增幅，而图4(b)则展示了由CCS部署直接引发的部门产出百分比变化。(2) 图4的基础数据见补充表S4和S5，补充部分S2。尽管在全部六个政策情景中施加了相同的总直接减排目标，但由于决策驱动因素不同，不同地区的CCS部署率差异显著，如图3所示。例如，在情景4中，北京化石能源电力部门的CCS部署率甚至超过100%。实际上，这一结果意味着基于GDP的分配规则会对部门排放容量极小的地区施加不切实际的减排负担，并对政策的可信度和可行性提出质疑。这就是为什么区域减排配额分配基于区域GDP占比的原因。在六个地区中，北京的化石能源发电量最小，但其区域GDP占比最大，因此被分配了最大的减排配额。因此，北京化石能源电力部门的减排要求超过了其排放量，使其减排要求相对于实际排放的物理范围更大。尽管如此，情景6报告的参考非支配解导致了一种根据各地区成本差异性和电力系统异质性进行CCS部署分配的方案。在该参考分配中，例如，拥有丰富化石能源资源且在部署地区中电价最低的新疆，拥有最大的减排份额，其CCS应用率接近1。而电价最高的北京，其应用率最低，接近0。

这些结果表明，CCS在多个区域化石能源电力部门的异质化安装在很大程度上受到底层决策目标的敏感影响。这些不同的结果直接转化为CCS安装成本及其对化石能源电力产出的影响。例如，在图4中，尽管不同情景下CCS部署成本存在明显的区域差异，但区域CCS实施成本与图3所示的部署水平之间呈现出相当强的正相关关系。同样，更高的CCS部署率会导致化石能源电力产出更大的下降，这与等式(10)和(12)得出的洞察一致。这些结果提供了初步证据，表明在相同环境条件下，不同的决策目标可以影响化石能源电力部门中CCS部署模式的重要领域，从而影响生产成本和生产量。因此，我们在部门层面的结果也说明了不同分配规则的直接实际含义，并呼吁进一步分析CCS部署成本效率，即以每单位化石能源电力交付量计算得出的CCS成本及以每单位脱碳化石能源电力交付量计算得出的CCS成本，如4.1.2节所述。

4.1.2 CCS部署成本效率的结果

仔细检查图4可以发现，情景6报告的参考解在六个分配方案中拥有最高的CCS总部署成本，但并未导致化石能源电力产出最大的降幅（最大的降幅实际上出现在情景4中）。这两个情景的对比表明，仅凭单一部门的总部署成本或产出降幅无法反映不同地区化石能源电力部门中异质性CCS部署政策的效率。要获得更有意义的图景，我们需要从成本效率的角度考察CCS部署效率。图5展示了两项成本效率指标：部署地区每单位化石能源电力排放对应的CCS部署成本，以及每单位脱碳化石能源电力对应的CCS部署成本。下载：下载高分辨率图片（653KB）下载：下载完整尺寸图片。图5：各情景下每单位化石能源电量和脱碳化石能源电力的CCS成本。注：图5(a)呈现了部署地区每单位化石能源电力发电量对应的CCS部署成本平均值，而图5(b)则呈现了生产每单位脱碳化石能源电力所产生的CCS部署成本。在两个面板中，平均水平表示通过将CCS总部署成本除以六个东道区域及其相应的总发电量得出的平均单位成本，而非六个地区各自比率的算术平均值。

图5报告了部署地区的两项直接成本效率指标：每单位化石能源电力的CCS成本和每单位脱碳化石能源电力的CCS成本。情景2和3对各地区的直接部署负担较为均衡，而情景4的区域间差异最大，部署公平性表现最差。就平均成本效率而言，部署公平性表现最差的是情景4，最好的是情景5。在情景1、4和5下，部分地区的CCS成本（按化石能源电力总量计算）高于（按脱碳化石能源电力计算）的单位成本。相对于情景平均值的这种逆转表明脱碳分配过度，即分配的CCS要求超过了处理现场化石能源电力排放所需的最小量。这些结论可能使实施在东道区域中过于困难而难以接受。总之，部门层面的结果共同表明，简单的部署效率指标不足以作为政策选择的工具。行政上易于接受的规则不一定能在脱碳产出和部署成本方面表现出色，而情景6报告的非支配解在同时考虑脱碳产出和部署成本时相对具有吸引力。这种表面优势是否扩散至经济的其他部分仍有待探索。第4.2节将探讨其更广泛的宏观经济含义。

4.2 宏观经济效应的评估

如图3、图4所示，CCS部署的OP模块导致六个地区不同化石能源电力部门产出的变化以及相应CCS部署成本的变化。产出和CCS部署成本的变化随后作为政策情景参数输入动态MRIO-CGE模块，从而可以评估不同政策情景的多区域宏观经济效应。输入MRIO-CGE模块的参数汇总见表S4和S5。

4.2.1 不同政策情景下的宏观经济效应

图6展示了不同CCS部署政策对各区域电力部门宏观经济影响，包括GDP和EV的变化。它还展示了不同CCS部署政策对经济总体CO2排放量和整个经济（包括脱碳化石能源电力、可再生能源和核能）清洁电力总量的宏观经济影响，这些影响是基于政策对其他经济部门的影响推导得出的。下载：下载高分辨率图片（396KB）下载：下载完整尺寸图片。图6：六个政策情景下2030年GDP、EV、全经济CO2减排和清洁电力生成的变化。注：所有指标显示的是相对于无CCS情形下2030年均衡的变化。单位见图例。柱状图底部为零，指向圆心的数值为负值。

如图6所示，促进不同异质性区域电力部门CCS部署组合的政策情景导致GDP和EV的变化存在显著差异。相比之下，政策情景之间在总CO2减排和清洁电力扩张方面的差异相当小，这意味着截然不同的宏观经济结果可能带来相似的脱碳水平。例如，在情景6中，清洁电力生成量增加约152.4万GWh，即在六个CCS东道区域内的约37.7万GWh脱碳化石能源电力，以及全经济（包括六个CCS东道区域）的114.7万GWh可再生和核能电力。这两部分分别约占清洁电力增量的24.7%和75.3%。值得注意的是，EV的正值意味着消费者愿意额外支付的费用以获得改善的消费福利水平，该费用等于EV的价值。从宏观经济角度看，政策情景在平衡经济表现和脱碳成果方面的宏观经济表现差异巨大。例如，情景4导致GDP小幅损失，情景2产生最大GDP损失但最大EV增益，情景3导致GDP和EV适度损失。情景1和5导致GDP和EV小幅正向变化。在基线直接减排目标下，情景6产生最大GDP增益和第三大EV增益。在情景6下，GDP增加0.14万亿美元，消费者福利增加约6.1亿美元。全经济CO2排放减少0.37932 Gt。该总量包括六个CCS东道区域化石能源电力部门的0.32 Gt直接减排和来自403个区域-部门单元的0.05932 Gt产出中介间接减排。表3报告了按部门分解的间接产出和排放变化。

表3：情景6下2030年部门产出变化及其对国家间接CO2减排的贡献。部门 | 产出变化（10^7美元） | 对国家净产出变化的贡献（%） | 对间接CO2减排的贡献（Gt CO2） | 对国家净间接CO2减排的贡献（%） | | | |
|---|---|---|---|---|
| 重制造业 | 33627.93 | 193.6 | ?0.00397 | ?6.693 | | | |
| 交通运输业 | 25242.78 | 145.33 | ?0.00161 | ?2.714 | | | |
| 化石能源发电 | 12794.95 | 73.66 | ?0.01428 | ?24.073 | | | |
| 农业 | 10687.85 | 61.53 | ?0.00012 | ?0.202 | | | |
| 轻工业 | 2405.11 | 3.85 | ?0.00001 | ?0.017 | | | |
| 建筑业 | 328.45 | 1.89 | 0 | 0 | | | |
| 非化石能源采矿业 | ?31323.75 | ?180.33 | 0.03766 | 63.486 | | | |
| 化学工业 | ?13585.33 | ?78.21 | 0.01633 | 27.529 | | | |
| 仪器仪表及制造业 | ?12711.73 | ?73.18 | 0.01529 | 25.775 | | | |
| 煤炭开采与供应 | ?4678.6 | ?26.94 | 0.00562 | 9.474 | | | |
| 服务业 | ?3432.53 | ?19.76 | 0.00412 | 6.945 | | | |
| 非化石能源电力 | ?1746.15 | ?10.05 | 0 | 0 | | | |
| 非煤化石能源采矿业 | ?239.1 | ?1.38 | 0.00029 | 0.489 | | | |

注：(1) 产出变化描述的是以情景特定均衡价格计算的名义部门产出值变化。产出贡献相对于国家净产出变化，而非部门的增速。(2) CO2贡献相对于国家净间接CO2减排变化计算；正向贡献表示CO2减排，负向贡献表示CO2增加。(3) 两个与排放相关的列仅报告由MRIO-CGE模型计算的产出中介一般均衡变化，即在此排除由OP模块计算的0.32 Gt直接减排后。化石能源电力行报告的是随后更广泛的产出变化。所有变化均以2030年无CCS基线为参照。

表3显示，部门产出下降导致总间接CO2排放减少0.07931 Gt CO2，其中贡献最大的是非化石能源采矿业（0.03766 Gt）、化学工业（0.01633 Gt）和仪器仪表及制造业（0.01529 Gt）。总的间接减排大部分被部门增长引起的额外排放（0.01999 Gt）所抵消，例如化石能源发电（0.01428 Gt）、重制造业（0.00397 Gt）和交通运输（0.00161 Gt），从而产生0.05932 Gt的净间接CO2减排。结合六个CCS东道区域的0.32 Gt直接减排，全国减排量为0.37932 Gt CO2。表S4还显示，从OP模块获得的产出值冲击在全部六个东道区域中均为负值，变化范围为?0.038%至?8.099%。相比之下，表3报告化石能源电力行业全国产出变化为正，意味着非东道区域的增长超过了东道区域的收缩。总体而言，国家化石能源电力部门因此贡献了?0.01428 Gt的间接减排，部分抵消了收缩部门的减排。表3报告的是名义部门产出变化，而图6报告的是电力生成量；当均衡价格和区域产出模式变化时，这两个量不一定朝同一方向变动。总体而言，间接减排效应源自通过部门间生产链传递的部门产出响应的相互抵消。其区域分布在第4.2.2节以及补充图S1和S2中进行了分析。

这一机制有助于解释情景6为何在CCS相关成本较高和消费者价格上涨的情况下仍具有正的福利效应。表S6报告的其他模型结果显示，大多数省份的劳动力和资本变化较小，而电价反应更为异质且CPI在所有省份均有所上升。因此，总体福利增益并非由消费者价格降低或大规模要素迁移驱动。相反，由于生产结构调整和区域间重新分配带来的效率增益超过了价格上升和CCS相关成本的福利代价，总体EV有所改善。

表 S6 还显示了区域福利效应的巨大异质性：所有省份的 CPI 均有所上升，但 EV 在各地区差异很大。尽管面临 GDP 损失，一些省份的 EV 仍为正值，而其他省份虽然 GDP 增长，EV 却为负值。因此，区域福利效应受价格负面效应与生产结构调整及溢出吸收收益之间平衡的影响，而非仅仅取决于 GDP 效应。例如，江苏和广东两省虽然 GDP 损失，但 EV 为正值，而宁夏虽然 GDP 增长，EV 却为负值。上述两项结果均证实，福利效应和生产收益通过相关但不同的调整渠道传导。关于 GDP 和福利机制的更详细分解，包括区域 EV 异质性、电力价格反应以及代表性省份的产出示例，将在补充部分 S2 中进行解释。情景 6 下碳对经济绩效和排放的不均匀区域影响，以及相关区域间经济活动和碳排放的转移，将在第 4.2.2 节中更详细地分析。

4.2.2. 碳捕集与封存政策对碳减排和经济增长的区域溢出效应

尽管第 4.2.1 节报告了全国范围内的结果，但这些全国平均效应掩盖了巨大的区域差异。在我们的模型中，区域间生产转移体现在 403 个区域 - 部门产出的构成变化中，因此它进入了产出中介的排放计算。由于这是表 3 中报告的同一种部门产出变化的空间方面，我们将其视为一种单独增加的排放。尽管如此，区域 - 部门排放系数存在差异，因此空间生产重新分配可能会影响国家排放。因此，我们在图 7 和图 8 中比较了 CO2 和 GDP 的区域变化，在补充图 S1 和 S2 中追踪相关的区域间碳和经济转移流，并通过图 9 中的区域不平等指数总结它们的不匹配情况。

下载：下载高分辨率图像 (973KB)
下载：下载全尺寸图像
图 7. 情景 6 下相对于无 CCS 基线的 2030 年区域 CO2 排放量变化。

下载：下载高分辨率图像 (807KB)
下载：下载全尺寸图像
图 8. 情景 6 下相对于无 CCS 基线的 2030 年区域 GDP 变化。

下载：下载高分分辨率图像 (1MB)
下载：下载全尺寸图像
图 9. CCS 部署情景（情景 6）下碳转移与经济增长溢出之间的不匹配所导致的区域间不平等。

注：不平等指数衡量净区域间隐含 CO2 转移与净附加值转移之间方向性不匹配的程度，较低的值意味着方向性拟合度更高，较高的值意味着不匹配程度更大。它通过补充公式 (S10) 计算，是无量纲的，介于 0 和 3 之间。

图 7 显示，产出中介的减排影响范围比六个 CCS 承载省份更广，扩展到了包括江西在内的大量其他省份，表明部分间接缓解效应已传导至区域间生产和贸易溢出。然而，包括内蒙古、辽宁、浙江、安徽、福建、湖北、四川、西藏和甘肃在内的几个省份排放量有所增加，这意味着一般均衡调整也在区域间重新分配了部分排放负担。图 8 还显示，GDP 增长幅度最大的五个地区是西藏、宁夏、云南、新疆和天津，而 GDP 下降幅度最大的五个地区是陕西、广东、浙江、上海和辽宁。表 S7 和 S8 报告了 GDP 增长和损失幅度最大的省份中部门扩张和收缩的最大幅度。这种混合的部门模式表明，特定部门或 CCS 承载地位都不是导致地区 GDP 增长或损失的原因。相反，净区域结果受到特定省份的产业结构和本地化生产网络的影响，这些网络吸收产出和贸易溢出。

补充图 S1 和 S2 量化了这一空间渠道。总跨区域隐含 CO2 转移量为 5.024 Mt CO2，而在抵消省级流入和流出后的净重新分配量为 2.854 Mt CO2。尽管相对于国家减排量 0.37932 Gt 来说很小，但这些转移在空间上是集中的，并确定了部分间接排放负担被重新分配的位置；它们并不构成国家减排的单独可加性来源。相应的总净值和净附加值转移分别为 630.18 亿美元和 359.67 亿美元。由于碳和附加值流量在不同贸易走廊中存在差异，图 9 总结了它们的方向性不匹配。

图 9 显示，在情景 6 下，大多数区域间贸易对的碳-GDP 不匹配程度相对较小，尽管某些走廊表现出高度的分配不公。关键发现是那些与河南、西藏和广东相关的贸易流，以及涉及山西、陕西、新疆、江苏、山东和内蒙古等的贸易走廊。这些高不匹配贸易走廊表明，隐含排放和经济收益的重新分配在空间上是异质的，并为区域间补偿的目标制定提供了定量依据。

综上所述，这些结果表明，情景 6 通过生产转移和国内重新分配改善了国家的经济和环保绩效，但利益和负担的分布不均：产业结构和区域间位置更适合扩张活动的地区从正向溢出中受益更多，反之亦然：面临收缩行业的地区或表现出高碳-GDP 不匹配的地区将承担更大的调整负担。这些结果有助于我们指出第 4.3 节中讨论的补偿和协调的互补措施。

4.3. 讨论

4.3.1. 政策选项与启示

模拟为具有异质性的区域的 CCS 政策设计提供了一些启示。所有情景都对基于化石能源的电力部门施加了相同的直接碳减排目标，但它们体现了不同的分配逻辑，因此具有不同的部署负担、整体宏观经济影响和溢出效应。它们表明，CCS 政策的有效性不仅取决于缓解目标本身的大小，还取决于 CCS 部署责任如何在区域间分配。

情景 1-5 是行政上最简单的分配规则，基于可观察的政策前分配指标，如部门产出、发电量、部门排放、区域 GDP 和区域排放。它们适用于 CCS 部署的早期或过渡阶段，此时缺乏关于减排成本、存储适宜性和全经济溢出效应的精确区域信息，且政策制定者可能倾向于简单的分配规则。在这些情景中，情景 2 和 3 在托管区域之间实现了相对平等的直接部署成本效率初始分布，因此从部门公平的角度看可能更具吸引力。但结果也显示，行政上简单的规则可能会产生较弱的宏观经济结果，并且在某些情况下，会对那些已经缺乏化石能源电力产能的区域产生不合理或过度的负担。

因此，应将情景 6 理解为一种效率基准，而不是一种可直接适用的通用政策规则。它利用更详细的区域 CCS 成本、电力系统特征、碳强度和存储条件信息，有条件地指定各区域的部署责任。在基准直接减排目标下，报告的参考解代表了六个政策情景中最大的 GDP 增长和第三大的 EV 增长。然而，其实施将比简单的行政规则需要更多的数据可用性、区域间协调和制度能力。从政策角度来看，这是一种从行政强制规则向依赖区域特征和系统整体调整效果的协调部署的转变，但其实施比简单的行政规则情况需要更多的数据可用性、区域间协调和制度能力。

区域溢出结果还表明，补偿不必直接与区域内 CCS 部署的确切位置挂钩。考虑到区域 GDP 变化、CO2 排放变化和碳-GDP 不匹配指标，我们从表 S9（补充部分 S3）中将省份和贸易走廊分类为协同受益地区、增长伴随排放负担的地区、经济调整负担地区、双重负担地区和高不匹配走廊。这种分类类型证明了不同措施的有效性，包括协调支持、本地减排、GDP 损失补偿、对双重负担地区的优先支持以及基于贸易走廊的补偿。

总体而言，跨情景的比较揭示了行政简单性与系统级效率之间的权衡。简单的规则更容易实施，但可能会忽视区域异质性和溢出成本。协调分配可以改善宏观经济和福利结果，但需要更丰富的信息和更强的治理能力。本研究开发的 OP-MRIO-CGE 框架可以帮助政策制定者评估这些权衡，识别潜在的区域冲突来源，并设计互补措施以提高大规模 CCS 部署的效率和政治可接受性。

4.3.2. 政策假设与情景排名结果的稳健性

由于主要结论取决于情景排名而非仅仅单个结果值，我们进行了三项稳健性检查：关键 CGE 参数的弹性扰动测试、情景 6 的帕累托解检查以及替代直接减排目标下的目标严格性测试。详细结果，包括排名区间、排名第一/前三的频率、帕累托比较和目标严格性排名，在图 S3-S5 和表 S10 及 S11 中报告。

对于弹性扰动测试（表 S10），宏观经济排名对参数不确定性具有稳健性。在主分析中使用的情景 6 解在所有扰动运行中均排名第一（排名第一的频率为 100%），并且在 94% 的运行中 EV 排名前三。相比之下，全经济 CO2 减排的排名要分散得多，因为所有情景都包含相同的直接 CCS 减排目标，而全经济减排更多地取决于通过生产重组和区域间贸易的间接一般均衡调整。

然后我们探索了这对帕累托解选择的敏感性。我们将所有保留的情景 6 解输入 MRIO-CGE 模块。EV 在帕累托解集中变化很小，而 GDP 和全经济 CO2 减排变化很大，且某些帕累托解可能给出比情景 1 更小的 GDP 增长（图 S5）。这加强了将情景 6 解释为效率稳健性基准而非明显占优或直接可操作的政策规则的观点。表 S11 中的目标严格性测试还显示，如果目标大幅放松，情景 6 表现相对较差；如果适度放松，则保持在排名靠前的组别中；如果目标收紧并施加基准目标，则在 GDP 和 EV 方面优于基准。总体而言，协调分配提供了有利的宏观经济和福利绩效，但这种绩效的强度取决于帕累托解的选择和目标严格性。政策选择还必须对信息可用性和治理能力保持敏感。

尽管基于中国的实证分析仅适用于中国，但本文提出的 OP-MRIO-CGE 框架可以推广到其他大型经济体或具有多个子区域的经济体，在这些经济体中需要将总脱碳目标分配给异质区域。其价值主要在于比较不同的部署规则，并检测可能无法通过部门分析或技术层面分析发现的间接经济、环境和分配效应。因此，它应被视为一种政策评估工具，也是一种优化器。

5. 结论

为了应对在区域异质性下设计有效 CCS 部署政策的挑战，本研究开发了一个集成的 OP-MRIO-CGE 框架，以评估替代区域 CCS 部署规则如何塑造经济绩效、脱碳成果和区域间溢出效应。以中国电力部门为案例说明，本研究得出了关于区域 CCS 部署策略设计和优先级的若干具有政策意义的结论。

(1) 在给定化石能源电力部门直接碳减排国家目标下，不存在普遍最优的区域 CCS 部署规则。政策结果 critically 取决于部署规则中嵌入的分配逻辑。基于可观察指标的行政简单方案——如区域 GDP、部门产出或发电份额——可能适用于 CCS 部署的早期或过渡阶段。然而，当应用于异质区域时，这些规则往往会产生较弱的宏观经济绩效，特别是通过对化石能源电力产能有限的区域施加不成比例的负担。

(2) 明确考虑区域异质性和全经济相互依赖性的部署政策可以带来可观的宏观经济和福利收益，即使没有明显的部门部署层面的效率优势。对于本研究报告的随机选择的情景 6 参考解，2030 年国家 CO2 排放量相对于无 CCS 基线减少 0.37932 Gt，其中包括六个 CCS capable 区域化石能源电力部门的直接减排 0.32 Gt，以及 31 个区域、13 个部门经济中的产出中介间接减排 0.05932 Gt。

全国GDP增加约1.4万亿美元，全国消费者福利提升约6.1亿美元。这种缓解效应凸显了系统层面的协调比仅关注成本效率的CCS政策选择视角更具实用性。

（3）异质性CCS部署通过全经济范围内的再平衡，产生了可衡量的跨区域溢出效应，且具有显著的空间异质性。减排效益和经济增长不仅限于CCS设施所在区域，还会延伸至其他区域，同时部分区域可能因跨区域贸易调整而遭受不利影响。这些分配性后果表明，有必要采取补充性的政策工具，例如跨区域补偿机制，以将溢出效应内部化并增强大规模CCS部署的政治可行性。讨论中开发的区域类型学进一步表明，补偿应根据经济调整负担区域、增长伴随排放负担区域、双重负担区域以及高碳-GDP错配走廊进行差异化设计，而非仅根据物理CCS部署责任进行分配。

总体而言，这些发现表明，有效的CCS政策设计应从狭隘的成本最小化标准转向综合考虑经济韧性、区域公平性和可行性。本研究所开发的OP-MRIO-CGE框架为比较替代性部署规则及其更广泛的全经济范围和跨区域影响提供了一种实用工具。研究局限应予以说明。首先，该框架基于均衡分析，而实际生产者的反应和实际的跨区域投入产出联系可能与模型均衡存在差异。其次，CCS技术假设基于区域捕集率和部署成本，未内生模拟技术学习、CO?运输网络扩张和封存容量演变。未来研究可扩展该框架，考虑动态CCS基础设施部署的增长，并更详细地模拟发电替代效应。

作者贡献声明

Kun Xiao：初稿撰写、方法论、资金支持、概念构思。Bolin Yu：审阅与编辑、指导。Fei Li：验证、指导。

Kun Xiao | Bolin Yu | Fei Li

湖北工业大学经济与管理学院，武汉，430068，中国